SACI: Sentiment Analysis by Collective Inspection on Social Media Content
Resumo
Análise de Sentimento sobre conteúdo de Mídias Sociais representa uma informação valiosa atualmente. Estudos recentes assumem que para determinar uma opinião coletiva necessita-se conhecer as opiniões individuais. Nesse trabalho apresentamos o SACI (Sentiment Analysis by Collective Inspection), um método não-supervisionado baseado em lexicon que extrai sentimento coletivo sem considerar classificações individuais. Demonstramos que o SACI atende tanto a requisitos de eficácia quanto de eficiência, visto que sua análise coletiva permite uma melhor aproximação da opinião coletiva de um conjunto de documentos. Consolidamos esse trabalho em uma ferramentaWeb de análises de sentimento em tempo real.
Referências
Baccianella, S., Esuli, A., and Sebastiani, F. (2010). Sentiwordnet 3.0: An enhanced lexical resource for sentiment analysis and opinion mining. In LREC.
Dave, K., Lawrence, S., and Pennock, D. M. (2003). Mining the peanut gallery: opinion extraction and semantic classification of product reviews. In ACM WWW.
Hu, X., Tang, L., Tang, J., and Liu, H. (2013). Exploiting social relations for sentiment analysis in microblogging. In WSDM, pages 537–546, Italy. ACM.
Mark, K. and Csaba, L. (2007.). Analyzing customer behavior model graph (cbmg) using markov chains. In IEEE INES, pages 71 –76.
Pak, A. and Paroubek, P. (2010). Twitter as a corpus for sentiment analysis and opinion mining. In LREC.
Pang, B., Lee, L., and Vaithyanathan, S. (2012). Thumbs up? Sentiment classification using machine learning techniques. In EMNLP, pages 79–86.
Sá, G., Silveira, T., Chaves, R., Teixeira, F., Mour˜ao, F., and Rocha, L. (2014). Legi: Context-aware lexicon consolidation by graph inspection. In ACM SAC.
Wilson, T., Wiebe, J., and Hoffmann, P. (2005). Recognizing contextual polarity in phrase-level sentiment analysis. In EMLP, pages 347–354, USA.
Zhao, J., Dong, L., Wu, J., and Xu, K. (2012). Moodlens: an emoticon-based sentiment analysis system for chinese tweets. In KDD, pages 1528–1531, China.
Dave, K., Lawrence, S., and Pennock, D. M. (2003). Mining the peanut gallery: opinion extraction and semantic classification of product reviews. In ACM WWW.
Hu, X., Tang, L., Tang, J., and Liu, H. (2013). Exploiting social relations for sentiment analysis in microblogging. In WSDM, pages 537–546, Italy. ACM.
Mark, K. and Csaba, L. (2007.). Analyzing customer behavior model graph (cbmg) using markov chains. In IEEE INES, pages 71 –76.
Pak, A. and Paroubek, P. (2010). Twitter as a corpus for sentiment analysis and opinion mining. In LREC.
Pang, B., Lee, L., and Vaithyanathan, S. (2012). Thumbs up? Sentiment classification using machine learning techniques. In EMNLP, pages 79–86.
Sá, G., Silveira, T., Chaves, R., Teixeira, F., Mour˜ao, F., and Rocha, L. (2014). Legi: Context-aware lexicon consolidation by graph inspection. In ACM SAC.
Wilson, T., Wiebe, J., and Hoffmann, P. (2005). Recognizing contextual polarity in phrase-level sentiment analysis. In EMLP, pages 347–354, USA.
Zhao, J., Dong, L., Wu, J., and Xu, K. (2012). Moodlens: an emoticon-based sentiment analysis system for chinese tweets. In KDD, pages 1528–1531, China.
Publicado
28/07/2014
Como Citar
CHAVES, Rodrigo; SÁ, Giovanni; VIEIRA, Ramon; MOURÃO, Fernando; ROCHA, Leonardo.
SACI: Sentiment Analysis by Collective Inspection on Social Media Content. In: CONCURSO DE TRABALHOS DE INICIAÇÃO CIENTÍFICA DA SBC (CTIC-SBC), 33. , 2014, Brasília.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2014
.
p. 51-60.
